ZT1 关于矩阵

1. 线性变换与矩阵

为了搞清矩阵的来历，从线性变换出发是最直观的（线性变换有很多可视化的例子，见3B1B的视频）。

定义

设做线性变换的函数为 $f$，取向量 $u, v$ 和标量 $λ$。$f$ 是线性的，满足两个关键性质：

• $f(u+v) = f(u) + f(v)$
• $f(\lambda u) = \lambda f(u)$

下面以二维空间 $R^2$ 为例，设基向量为 $e_1, e_2$ 。在空间中任取一个向量 $v$ ，它可以表示为基底的线性组合：

$$v = v_1e_1 + v_2e_2$$

上式中 $v_1, v_2$ 是标量，即 $v$ 的坐标。现在施加任意线性函数 $f$：

$$f(v) = f(v_1 e_1 + v_2 e_2) = v_1 f(e_1) + v_2 f(e_2)$$

上式中可以见到，结果中我们已经知道了 $v_1,v_2$ ，要得知 $f(v)$ 的话，还需要知道 $f$ 作用在两个基向量上的结果 $f(e_1)$ 和 $f(e_2)$ ，即这个结果和坐标 $v_1, v_2$ 无关，而完全取决于 $f$ 在基向量上的作用 $f(e_1)$ 和 $f(e_2)$ 。

$f(e_1)$ 和 $f(e_2)$ 仍在 $R^2$ 空间中，因此可以用基向量表示：

$$f(e_1) = a e_1 + b e_2,\quad f(e_2) = c e_1 + d e_2$$

代入 $f(v)$ 得 $v$ 的坐标经 $f$ 后变为：

$$v = (v_1, v_2) \mapsto (a v_1 + c v_2,\ b v_1 + d v_2)$$

注意， $e_1$ 在 $f$ 下变更为原基下的坐标 $(a,b)$ ， $e_2$ 在 $f$ 下变更为原基下的坐标 $(c,d)$ 。我们的向量一直用列向量书写，因此 $f$ 真正本质的信息（对基的作用）由这一对列向量传达：

$$M = \begin{pmatrix} a & c \\ b & d \end{pmatrix}$$

这一列对向量包含了你想知道的、$f$ 作用于任何可能向量的全部信息。它也表明：在所有可能的线性变换构成的函数空间中选一个特定的 $f$，有四个自由变量可选——即这个函数空间是四维的（也是一个抽象向量空间）。

矩阵中保存了这样线性变换 $f$ 的信息，甚至可以将矩阵乘法看成线性变换的函数：

$$f(v) = \begin{bmatrix} a & c \\ b & d \end{bmatrix} \cdot \begin{bmatrix} v_1 \\ v_2 \end{bmatrix} = \begin{bmatrix} a v_1 + c v_2 \\ b v_1 + d v_2 \end{bmatrix}$$

在这种理解之上，$f$ 的矩阵通过乘法作用到 $v$ 上，而不再直接通过 $f$ 作用到 $v$ 上。

如图，可以想象基向量从 $(1, 0)^T , (0, 1)^T$ 变换为 $(a, c)^T, (b,d)^T$ 的情形。

另外，借助这个视角，可以更好的理解矩阵乘法

• 多次矩阵乘法实际上是几个连续的线性变换复合的结果
• 矩阵乘法应当从右向左读（最右变换是第一层变换）
• 矩阵乘法的结合律自然成立

2. 行列式与叉积

行列式（determinant）在我们的线性代数学习中，通常用来判断线性方程组有没有唯一解。但在线性变换的视角，可以赋予行列式更直观的含义：线性变换可以将 $n$ 维空间中的所有内容映射到该 $n$ 维空间中的其他位置，或者将该 $n$ 维空间压缩到较低维空间（如直线或平面）。在每种情况下，我们都可以进行计算来计算出总体上有多少空间被压缩或扩展，而不管转换的其他影响如何，这个计算的结果就是行列式。

下面仍以二维空间进行演示。在二维空间中，基向量将围成一个平行四边形，其面积（相较于单位基向量构成图形面积的比例）反映了空间变换的影响。例如，将基向量设定为 $[3,0]^T, [0,2]^T$ ，那么恰好围成一个矩形，其面积为 6，即变成单位面积的 6 倍。

因为变换是线性的（产生的网格线保持平行且等距分布），因而所有其他的面积其变化因素跟上述比例是相同的。

如果一个线性变换对应的行列式，其值为 0，说明它将基向量张成的二维平面压缩为一条线（甚至一个点），如下图所示。

此时，矩阵代表的线性变换将空间压缩到了更低的维度（甚至这个过程中丢失了信息，因而是不可逆的）。

上述几何意义可以用于解释初等行变换对行列式 $det$ 的影响：

1. $R_i \leftrightarrow R_j$ ，那么 $det' = -det$ ，行列式的值变号
2. $R_i \rightarrow kR_i$，那么 $det' = k * det$，行列式的值被 $k$ 缩放
3. $R_j \rightarrow R_j + kR_i$，那么 $det'=det$ ，行列式的值不变

对于初等行变换，我们将矩阵的每一行都看成一个向量，那么这些行向量将张开一个线性空间。在二维情形下，此矩阵的行列式的值为这些基向量张成的平行四边形的面积。

• 对于交换两行，实际上没有改变面积的大小，但是行列式代表的面积（体积等）是有向的，交换两向量相当于将基向量所围的平行四边形翻个面，因此翻转方向后需要变号。
• 对于将某行向量缩放 $k$，可以将此行向量所在的边视为平行四边形的底。那么，在高不变的情形，仅仅对底边缩放，其对整个图形的面积的缩放效果是一致的。
• 对于将某行向量加上另一被缩放 $k$ 的行向量。我们考虑向量的加法，可以知道原行向量仅仅是在另一基向量的方向上有了一个分量，因此这个变换在二维即一个剪切变换（shear），对平行四边形的面积没有产生影响（底和高都没变，可以拿单位矩阵思考，其形状发生剪切后，将从矩形变为被拉斜的平行四边形）。

另外，对于矩阵的行操作和列操作，有常用的视角（区分于矩阵作用于列向量 $\text{如}Ax$ ）：

• $EA$ ，左乘矩阵 $E$ 通常对原矩阵 $A$ 的各个行向量做线性组合
• $AE$ ，右乘矩阵 $E$ 通常对原矩阵 $A$ 的各个列向量做线性组合

行列式的一些性质也可以解释（不严谨地）：

1. $\det(\alpha A)=\alpha^n\det A$
   因为 $n$ 维空间每个方向上的基向量均被缩放 $\alpha$ 的倍数
2. $\det(AB)=\det A\det B$
   因为先做 $B$ 再做 $A$，体积先缩放 $\det B$ 倍，再缩放 $\det A$ 倍。

---

上述视角都围绕二维展开，试着向三维深入一下。例如，将行列式计算从二阶扩展到三阶。

这里先引入一下叉积的概念。叉积的结果仍旧是一个向量，其：

• 大小等于这两个向量构成的平行四边形的面积
• 方向符合右手定则

借助叉积，我们可以方便的将行列式的计算（以及几何理解）从二维推向三维。

给出以下的三阶矩阵：

$$A= \begin{bmatrix} a & b & c \\ d & e & f \\ g & h & i \end{bmatrix}$$

将其按第一行展开，我们有：

$$\det A = a\begin{vmatrix} e & f \\ h & i \end{vmatrix} -b\begin{vmatrix} d & f \\ g & i \end{vmatrix} +c\begin{vmatrix} d & e \\ g & h \end{vmatrix}$$

上式从几何上，可以认为是计算一个三维平行六面体的有向体积。下面展示如何从叉积出发，根据 $\det A$ 的几何意义推出上述代数式。

将矩阵 $A$ 视为由行向量张开的空间，那么有行向量：

$$\begin{aligned} \mathbf{r}_1 &= (a,b,c) \\ \mathbf{r}_2 &= (d,e,f) \\ \mathbf{r}_3 &= (g,h,i) \end{aligned}$$

三个向量张成的平行六面体的有向体积即为 $\det A$ 的值，即：

$$\det A = V =\mathbf{r}_1\cdot(\mathbf{r}_2\times\mathbf{r}_3)$$

其中，$\mathbf{r}_2\times\mathbf{r}_3$ 的大小等于它们所张开的平行四边形的面积，方向垂直于它们所张开的平面。设 $\mathbf{n}=\frac{\mathbf{r}_2\times\mathbf{r}_3}{|\mathbf{r}_2\times\mathbf{r}_3|}$，那么 $\mathbf{r}_1\cdot \mathbf{n}$ 能够得到 $\mathbf{r}_1$ 在底面法向量方向上的投影（即有向高度），从而得到上式（称为混合积）：

$$V=|\mathbf{r}_2\times\mathbf{r}_3|\left(\mathbf{r}_1\cdot\frac{\mathbf{r}_2\times\mathbf{r}_3}{|\mathbf{r}_2\times\mathbf{r}_3|}\right)=\mathbf{r}_1\cdot(\mathbf{r}_2\times\mathbf{r}_3)$$

将叉积 $\mathbf{r}_2\times\mathbf{r}_3$ 写为分量形式，即

$$\mathbf{r}_2\times\mathbf{r}_3=(n_x,n_y,n_z)$$

又 $\mathbf{r}_2\times\mathbf{r}_3$ 本身既是个面积向量，又是个法向量。因此，需要找到 $\mathbf{r}_2\times\mathbf{r}_3$ 其面积向量在以$x,y,z$ 三个法向方向上的分量，即找到 $\mathbf{r}_2\times\mathbf{r}_3$ 这个面在三个坐标平面的有向投影面积：

$$\mathbf{r}_2\times\mathbf{r}_3=(S_{yz},S_{xz},S_{xy})$$
而 $\mathbf{r}_1 = (a,b,c)$，那么

$$\det A =\mathbf{r}_1\cdot(\mathbf{r}_2\times\mathbf{r}_3)=a\ S_{yz} + b \ S_{xz} + c \ S_{xy}$$

这样就已经得到 $det\ A$ 的展开式了， 有向面积 $S_{yz},S_{xz},S_{xy}$ 的计算即我们已经掌握的二阶行列式的计算。例如计算 $S_{yz}$ ，有投影 $\mathbf{r}^{'}_2 = (e,f),\mathbf{r}^{'}_3 = (h,i)$，所以 $S_{yz} = \begin{vmatrix} e & f \\ h & i \end{vmatrix} = ei-fh$。

注意

余子式展开的正负号交替，在三维情形下跟右手系有关（更高维的情形下，本质是排列/置换的奇偶性（这可用逆序数判断）。发生取向反转时会使有向体积变号）。

在三维坐标系下有：

• $\mathbf{e}_x\times\mathbf{e}_y=\mathbf{e}_z$
• $\mathbf{e}_y\times\mathbf{e}_z=\mathbf{e}_x$
• $\mathbf{e}_z\times\mathbf{e}_x=\mathbf{e}_y$

那么，$\mathbf{e}_x\times\mathbf{e}_z=-\mathbf{e}_y$，$S_{xz}$ 跟正向 $zx$ 方向是反的，因此展开式中此项带有负号。

3. 逆矩阵与秩

前面提到矩阵是线性变换的体现，因此逆矩阵其实代表该线性变换的逆变换。

从机器学习的角度看，矩阵 $A$ 往往代表一个线性变换，求解 $$Ax=b$$就是寻找一个输入 $x$，使变换后的结果落在目标 $b$ 上。

我们依旧可以从二维情形入手，例如：

我们如何理解这个方程的解，取决于 $A$ 所对应的变换

• 要么把整个空间挤压到更低的维度，比如一条线或一个点
• 要么仍然张成原来的完整二维空间

这就与行列式相关，若行列式不为零，那么说明变换后的空间维度没变（信息未损失），那么可以通过逆变换来得到解；若行列式为零，那么说明变换后的空间被压缩了（信息已损失），那么对应的逆变换就不存在，就没法求出逆矩阵。此时，$b$ 要么完全不在变换后的空间内，要么很多的 $x$ 在变换后都被压到 $b$ （某些维度被压到零导致的）。

对逆矩阵定义如下：

$$A^{-1}A = AA^{-1} = I$$

如果 $A^{-1}$ 存在，那么从 $Ax=b$ 出发，左乘 $A^{-1}$ 就得到：

$$x=A^{-1}b$$

用行列式为零去描述降维情形，显然不够具体。为此，引入了矩阵的秩去描述变换后空间的维度信息。矩阵所有可能的输出所组成的集合——无论它是一条线、一个平面还是整个三维空间——叫作这个矩阵的列空间。矩阵的列向量告诉你各个基向量落在了哪里，而这些变换后基向量的张成空间，就给出了所有可能的输出。换句话说，列空间就是矩阵各列向量的张成空间。

因此，秩的定义为列空间的维数。当这个秩达到最大值、等于矩阵的列数时，这个矩阵就称为满秩矩阵。教材定义中，常给出一个矩阵 $A$ 的列秩是 $A$ 的线性无关的列的极大数目。类似地，行秩是 $A$ 的线性无关的行的极大数目。矩阵的列秩和行秩总是相等的，因此它们可以简单地称作矩阵 $A$ 的秩。

注意

零向量总会包含在列空间中，因为线性变换必须保持原点不动。

对于满秩变换，唯一会落到原点的向量就是零向量本身。但对于非满秩矩阵，也就是会把空间挤压到更小维度的矩阵，可能会有大量向量都落到零向量上。

• 如果一个三维变换把空间挤压到一个平面，那么会有一整条直线上的向量最终落到原点
• 如果一个三维变换把空间挤压到一条直线，那么会有一整个平面上的向量最终落到原点

这些最终落到原点的向量所组成的集合，叫作这个矩阵的零空间，也叫核。根据定义，零空间就是线性齐次方程组 $Ax = 0$ 的所有解的集合。

有结论：

$$A\text{可逆} \iff \det A \neq 0 \iff Ax=0\text{只有零解} \iff \mathrm{rank}(A)=n$$

4. 点积、正交与投影

待续

5. 特征值与特征向量

待续

6. SVD 与伪逆

待续

参考

1. 线性代数的本质

   https://www.bilibili.com/video/BV1ys411472E/

2. https://mathomablog.wordpress.com/2017/02/11/who-cares-about-matrices-why-3blue1brown-presents-linear-algebra-correctly/

3. 线性代数 — Machine Learning From Scratch

   https://machine-learning-from-scratch.readthedocs.io/zh-cn/latest/%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.html

4. 交互式行列式教程

   https://intuitive-math.club/linear-algebra/determinant/